本研究提出一种基于自动构建事件图和神经事件顾问的事件规划框架，以提高长文本生成的性能，实验结果表明，该框架不仅在事件序列生成方面表现优异，而且在故事生成的下游任务上的效果也十分显著。

Oct, 2022

本文提出 EditEval：一种以指令为基础的评测套件，利用高质量的现有和新数据集自动评估编辑能力，证明了 InstructGPT 和 PEER 的表现最佳，而大多数基线都低于监督学习 SOTA，本文通过这个基准的发布和公开可用的排行榜挑战，希望能够解锁未来发展能够进行迭代和更可控编辑的模型的研究。

Sep, 2022

提出了一种新的生成长文本的方法 SOE，它采用了概述、大纲和扩展的方法来为每个段落生成高效的文本，并通过重构策略无监督地提取每个段落的摘要以避免繁琐的总结过程。

Oct, 2020

本文介绍了一种基于预训练转换器的内容控制型文本生成框架 ——PAIR。该框架采用了规划和迭代改进策略，并通过 BART 模型实现了生成。采用自动评估方法得分表明，添加规划可显著提高文本生成的质量，同时人工评估结果表明，PAIR 系统的生成结果相对于没有规划的对比组更加相关和连贯。

Oct, 2020

本文提出了一种基于知识图谱（KG）的一体化增强文本规划方法（CETP），利用 KG 的语义结构来提高生成评论的全局和局部连贯性。通过学习文档的两级文本计划，即将文档计划建模为按顺序排列的句子计划的序列以及将句子计划建模为 KG 中的基于实体的子图，进而自然地强化段落内部的实体之间的相关性和段落之间的相关性。通过在三个数据集上的广泛实验证明了我们的模型在提高生成文本内容连贯性方面的有效性。

May, 2021

本文从 Moryossef et al （2019）所提出的步骤式神经数据到文本生成方法出发，通过引入可训练的神经计划组件、打字提示、排序确认阶段和简单而有效的指代表达式生成模块的四个扩展，实现了一个更快，更流畅和更准确的生成过程。

Sep, 2019

本文提出了一种将 aspect planning 和 lexical constraints 相结合的控制性 personalized generation 模型 UCEpic，通过该模型获得关键短语的特定信息从而大大改善了生成的解释的多样性和信息量。

Sep, 2022

利用 IBE-Eval 框架对大型语言模型（LLMs）的解释进行评估，通过考虑一致性、简洁性、连贯性和不确定性等逻辑和语言特征，从中选择最可信的解释，并成功识别出最佳解释的可能性高达 77％（约高于随机 27％），同时更高效和可解释。此方法还与人类判断存在显著相关性，为未来发展自动解释验证工具提供了机会。

Feb, 2024

本论文考虑数据到文本生成的任务，着重提出了一种生成长篇文章的神经模型，增加了计划组件来组织高层次信息，在结构化变分模型的帮助下逐步推理出潜在计划，从而生成文本。在 RotoWire 和 MLB 两个数据到文本基准测试中，本模型表现优于基准模型，并且在训练数据有限的情况下具有较高的样本效率。

Feb, 2022

本文提出的 PIE-QG 方法使用开放信息提取（OpenIE）从释义段落中生成合成训练问题，并利用问题 - 答案对作为基于 BERT 的最先进 QA 系统的训练数据。在五个抽取式 QA 数据集上进行实验表明，我们的技术在没有外部参考数据源的情况下以数量级更少的文档训练，实现了与现有最先进 QA 系统相同的性能。

Jan, 2023